HBase för Utvecklare Träningskurs

Målgrupp:

Kurset riktar sig till IT-specialister som söker en lösning för att lagra och bearbeta stora datamängder i en distribuerad systemmiljö

Förkunskap:

Djup kunskap om Apache Zookeeper-administration.

Big data analytics innebär processen med att granska stora mängder varierade datamängder för att upptäcka korrelationer, dolda mönster och andra användbara insikter.

Hälsosektorn har enorma mängder komplexa och heterogena medicinska och kliniska data. Att tillämpa big data analytics på hälsovårdsdata erbjuder stort potential för att härleda insikter som kan förbättra leveransen av hälso- och sjukvård. Men storleken på dessa datamängder utgör stora utmaningar i analysen och praktiska tillämpningar i en klinisk miljö.

I detta instruktörsledda, live-träning (distant), kommer deltagarna att lära sig hur man utför big data analytics inom hälsosektorn genom att gå igenom en serie praktiska övningar i ett laboratoriemiljö.

När kurserna är avslutade kommer deltagarna kunna:

• Installera och konfigurera big data analytics-verktyg som Hadoop MapReduce och Spark
• Förstå egenskaperna hos medicinska data
• Tillämpa big data-tekniker för att hantera medicinska data
• Studera big data-system och algoritmer i sammanhanget av hälsoapplikationer

Målgrupp

• Utvecklare
• Data vetenskapsmän

Kursformat

• Delen föreläsning, delen diskussion, övningar och mycket praktisk handledning.

Notering

• För att begära en anpassad utbildning för denna kurs, vänligen kontakta oss för att ordna det.

När traditionella lagringstekniker inte hanterar den mängd data du behöver lagra finns det hundratals alternativ. Den här kursen försöker vägleda deltagarna vad som är alternativ för att lagra och analysera Big Data och vad som är deras för- och nackdelar.

Den här kursen är mestadels inriktad på diskussion och presentation av lösningar, även om praktiska övningar finns tillgängliga på begäran.

Kursen är en del av Data Scientist-kompetensuppsättningen (Domain: Data and Technology).

Denna instruktörsledd, live-träning i Sverige (online eller på plats) är riktad till databasadministratörer eller utvecklare som vill använda Microsoft Azure Cosmos DB för att utveckla och hantera mycket responsiva och låg-latensapplikationer.

Till slutet av denna träning kommer deltagarna kunna:

• Försörja de nödvändiga Cosmos DB-resurserna för att börja bygga databaser och applikationer.
• Skala applikationsprestanda och lagring genom att använda API:er i Cosmos DB. 
• Hantera databasoperationer och minska kostnader genom att optimera Cosmos DB-resurser.

Kursen riktar sig till IT-specialister som söker en lösning för att lagra och bearbeta stora datamängder i en distribuerad systemmiljö

Kursmål:

Förvärva kunskap om Hadoop klusteradministration

Apache Hadoop är det mest populära ramverket för bearbetning av Big Data på klustren av servrar. På denna tre (eventuellt fyra) dagars kurs lär deltagarna sig om affärsfördelar och användningsområden för Hadoop och dess ekosystem, hur man planerar klusterdistribution och tillväxt, hur man installerar, underhåller, övervakar, felsöker och optimerar Hadoop. De kommer också att öva på massbelastning av klusterdata, bekanta sig med olika Hadoop-distributioner och öva på installation och hantering av Hadoop-ekosystemverktyg. Kursen avslutas med en diskussion om hur man säkrar klustret med Kerberos.

“…Materialet var mycket väl förberett och täckte grundligt. Laboratoriet var mycket användbart och väl organiserat”
— Andrew Nguyen, Principal Integration DW Engineer, Amazon Web Services

Målgrupp

Hadoop-administratörer

Format

Föreläsningar och praktiska laborationer, ungefär 60% föreläsningar och 40% laborationer.

Apache Hadoop är den mest populära ramverket för bearbetning av data på kluster av servrar. Denna kurs introducerar en utvecklare för olika komponenter (HDFS, MapReduce, Pig, Hive och HBase) i Hadoop-ekosystemet.

Apache Hadoop är en av de mest populära ramverken för bearbetning av data på kluster av servrar. Denna kurs går djupare in i hantering av data i HDFS, avancerad Pig, Hive, och HBase. Dessa avancerade programmeringstekniker kommer att vara till nytta för erfarna Hadoop-utvecklare.

Målgrupp: utvecklare

Varaktighet: tre dagar

Format: föreläsningar (50%) och praktiska övningar (50%).

Målgrupp:

Den här kursen syftar till att förklara big data/hadoop-teknik och visa att den inte är svår att förstå.

Apache NiFi är ett öppen-källkodat, flödesbaserat plattform för dataintegrering och händelsebehandling. Det möjliggör automatiserad, realtidsdataflöde, transformation och systemmedling mellan olika system, med en webbaserad användargränssnitts-UI och detaljerad kontroll.

Denna instruktörledd träningskurs (platsutbildning eller fjärrutbildning) riktar sig till mellannivåadministratörer och ingenjörer som vill distribuera, hantera, säkra och optimera NiFi-dataflöden i produktionsmiljöer.

Till slutet av denna utbildning kommer deltagarna att kunna:

• Installera, konfigurera och underhålla Apache NiFi-kluster.
• Utforma och hantera dataflöden från olika källor och mottagare.
• Implementera flödesautomatisering, routning och transformering.
• Optimera prestanda, övervaka operationer och felsöka problem.

Kursformat

• Interaktiv föreläsning med diskussion om verkliga arkitekturer.
• Praktiska övningar: bygga, distribuera och hantera flöden.
• Situationsspecifika uppgifter i ett live-labbmiljö.

Kursanpassningsalternativ

• För att begära en anpassad utbildning för denna kurs, vänligen kontakta oss för att ordna.

I denna instruktörsledda, liveträning i Sverige kommer deltagarna att lära sig grunderna i flödesbaserad programmering när de utvecklar ett antal demotillägg, komponenter och processorer med hjälp av Apache NiFi.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå NiFi:s arkitektur och dataflödesbegrepp.
• Utveckla tillägg med NiFi och API:er från tredje part.
• Skräddarsy sin egen Apache Nifi-processor.
• Mata in och bearbeta realtidsdata från olika och ovanliga filformat och datakällor.

Relationala databaser har länge varit tekniken av val för att lagra, hämta och fråga data. Relationala databaser möjliggör för användare att organisera sina data med hjälp av en strukturerad, väldefinierad uppsättning mönster (modell). Även om detta tillvägagångssätt fungerar bra för att lagra data som är standardiserade och välkända från början (tänk på ett sjukhusanmälningsprogram som håller patientjournaler med samma konsekventa uppsättning fördefinierade fält...patient-id, förnamn, efternamn, datum för senaste besök, etc.), finns det begränsningar med denna modell. För organisationer vars inkommande data inte är väldefinierade (tänk på ett onlineanmälningsformulär för en startup som fortfarande experimenterar med olika fält för att samla in besöksdata, tar bort och lägger till fält när de vill anpassa sig efter den förändrade karaktären av företaget), skulle några fastställda definitioner för hur data ska anpassas till en existerande databas behöva återdefinieras regelbundet. Detta kräver att skapandet av datamodellen (schemat) som bestämmer strukturen på data och dess tillåtna datatyper ska stödja olika typer av datainmatningar, etc., innan några nya data kan sparas i databasen.

Introducera NoSQL (Not Only SQL) databaser. NoSQL-databaser frigör användare från att förutdefiniera strukturen på inkommande data, vilket gör det möjligt att infoga och uppdatera nya data på flygande fot. NoSQL-databaser är ofta snabbare än relationala databaser och kan hantera mycket stora mängder data med lätthet. NoSQL-databaser skalas också bättre än relationala databaser, tack vare deras förmåga att effektivt partitionera data över många servrar (kluster) och belastningsutjämna åtkomsten till dessa data. NoSQL-databaser integrerar särskilt väl med appar som stöder realtidsanalys, sidpersonalisering, IoT och mobilappar

I denna instruktörsguidade, liveutbildning kommer deltagarna att förstå arkitekturen, designprinciperna och funktionaliteten i de mest populära NoSQL-databaserna när de sätter upp, drivs och utvärderar en rad NoSQL-databaser i ett live-labbmiljö. Målet med denna utbildning är att möjliggöra för deltagarna att intelligent utvärdera, föreslå och implementera en lämplig NoSQL-databaslösning inom sin organisation.

När denna utbildning är avslutad kommer deltagarna att kunna:

• Installera och konfigurera olika typer av NoSQL-databaser, inklusive MongoDB, Cassandra, Redis och Neo4j
• Förstå fördelarna och nackdelarna med NoSQL-databaser jämfört med relationala databaser
• Förstå de underliggande dataformaten som används av NoSQL-databaser och hur dessa format kan utnyttjas till fördel när man utvecklar moderna appar (skrivbord, mobil, moln, IoT)
• Utföra skapa, infoga, uppdatera, radera-åtgärder i en NoSQL-databas
• Sätta upp en blandad miljö med både en relational databas och NoSQL som arbetar samtidigt
• Konfigurera ett kluster av NoSQL-databaser för att distribuera bearbetningen av mycket stora datamängder
• Förstå säkerhetsimplikationerna med att använda en NoSQL-databas
• Distribuera och skala en NoSQL-databas i en produktionsmiljö

Målgrupp

• Databasprofiler
• Dataarkitekter
• Datstrateger
• Projektledare
• Tillämpningsutvecklare som vill integrera en flexibel databaslösning i sina appar

Kursformat

• Del föreläsning, del diskussion, övningar och mycket praktiskt arbetande

Notering

• För att begära en anpassad utbildning för denna kurs, kontakta oss för att ordna.

Redis Redis

nosql nosql

Scylla är ett distribuerat NoSQL datalager med öppen källkod. Den är kompatibel med Apache Cassandra men presterar med betydligt högre genomströmning och lägre latenser.

I den här kursen kommer deltagarna att lära sig om Scyllas funktioner och arkitektur samtidigt som de får praktisk erfarenhet av att installera, administrera, övervaka och felsöka Scylla.

Publik

• Database Administratörer
• Utvecklare
• Systemingenjörer

Kursens upplägg

• Kursen är interaktiv och innehåller diskussioner om principer och tillvägagångssätt för att distribuera och hantera Scyllas distribuerade databaser och kluster.
• Kursen innehåller ett tungt inslag av praktiska övningar och praktik.